Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229

Volume 3 Nomor 3 Desember 2017

Pengenalan Tingkat Kematangan Tomat Berdasarkan

Citra Warna Pada Studi Kasus Pembangunan Sistem
Pemilihan Otomatis
Mochamad Angga Anggriawan#1, Muhammad Ichwan*2, Dina Budhi Utami#3
#
Teknik Informatika, Institut Teknologi Nasional Bandung
Jalan P.H.H. Mustafa No.23 Bandung
11927angga@gmail.com

3dinabusoft@gmail.com

*
Teknik Informatika, Institut Teknologi Nasional Bandung
Jalan P.H.H. Mustafa No.23 Bandung
2ichwan@itenas.ac.id

Abstract — Tomatoes sorting process by humans relatively less
consistent in determining the ripe of tomato and unripe of
tomato. This is due to several factors like human fatigue and
difference perception of each person. To solve this problem, this
research proposes a computer based system which can do the
sorting process that more consistent level of accuracy than by
human. The sorting process of this system involve several phases
like tomatoes image acquisition followed by cropping image
process, HSV color image conversion and hitogram HSV.
Results HSV color conversion as a classification input to
determine ripeness level of tomatoes into ripe and unripe
categories using Learning Vector Quantization (LVQ) method.
The system is built by several supporting components such as
camera as an image acquisition and Belt Conveyor as a material
transfer. The result of the ripeness level recognition system test
based on the color image with Learning Vector Quantization
(LVQ) method was obtained the accuracy percentage of 83,75%
from 80 with tomato image acquisition done statically and
83,33% from 48 with tomato image acquisition on belt conveyor.
Keywords — Belt Conveyor, Camera, LVQ, Ripeness Level,
Tomatoes.
I. PENDAHULUAN
Tingkat kematangan buah dapat dilihat dari beberapa
aspek yaitu dilihat dari warna, dilihat dari bentuk dan dilihat
dari aroma buah tersebut. Pada aspek warna, kematangan
buah dapat dilihat dengan menyesuaikan warna buah yang
telah matang dan buah yang akan diuji tingkat
kematangannya [1]. Namun, proses klasifikasi tingkat
kematangan tersebut juga dapat menyebabkan
ketidakseragaman yang disebabkan oleh beberapa faktor
seperti kelelahan yang dialami manusia, perbedaan persepsi
antara yang satu dengan yang lainnya, dan keragaman visual
manusia [2]. Maka untuk memeriksa tingkat kematangan
buah, perlu adanya suatu sistem yang dapat mengenali buah
sesuai dua kategori yaitu telah matang serta belum matang
dan melakukan pemilihannya secara otomatis dengan
automated sorting system [3].
Berdasarkan permasalahan tersebut muncul suatu ide
dalam membuat suatu sistem yang dapat memisahkan antara
buah yang sudah matang dan belum matang dengan
memanfaatkan citra warna dari buah tersebut. Buah tersebut
berupa tomat yang akan dikenali melalui tahapan image pre-
processing dengan meletakkan tomat tersebut pada Belt
Conveyor. Tahapan image processing akan melakukan
penyesuaian warna dari tomat yang telah matang terhadap
tomat yang akan diuji tingkat kematangannya [4]. Sistem
yang dibuat juga memiliki sistem pengontrol yang akan
memisahkan tomat yang telah matang dengan tomat yang
belum matang pada suatu wadah yang berbeda. Sistem yang
dibangun diharapkan dapat menjadi solusi untuk mengenali
tingkat kematangan tomat dan dapat di terapkan pada
kehidupan bermasyarakat [5].
Sistem yang dibangun memiliki tiga subsistem yang
dikerjakan oleh orang yang berbeda. Subsistem tersebut
diantaranya mengenai proses pengenalan tingkat kematangan
tomat berdasarkan citra warna, pengenalan ukuran tomat
berdasarkan citra digital serta proses pemilihan tomat
berdasarkan tingkat kematangan dan ukuran tomat. Adapun
keterangan lebih lanjut mengenai informasi pembagian
sistem yang dibangun direpresentasikan pada Tabel I.
TABEL I
PEMBAGIAN KERJA PER-SUB BAGIAN
Nama Sistem Besar
Bagian
Anggota Tim Yang Dibangun
Mochamad Pengenalan Tingkat
Angga Automated Sorting
Kematangan tomat
Anggriawan Berdasarkan Citra System pada tomat
(152013073) Warna

550
e-ISSN : 2443-2229
TABEL I (LANJUTAN)
PEMBAGIAN KERJA PER-SUB BAGIAN
Nama Anggota
Bagian
Sistem Besar
Tim Yang Dibangun
Sandha Rineka Pengenalan Ukuran
Putra Tomat Berdasarkan
(152013061) Citra Digital
Automated Sorting
Gian Permana Penyeleksian Tomat System pada tomat
(152013054) Berdasarkan Tingkat
Kematangan dan
Ukuran
Fokus subsistem yang dibangun pada penelitian yang
dilakukan yaitu mengenai subsistem pengenalan tingkat
kematangan tomat berdasarkan citra warna.
A. Rumusan Masalah
Dalam rangka mengurangi permasalahan pada saat
memilih tomat yang telah matang dan tomat yang belum
matang, perlu adanya suatu sistem yang mampu mengurangi
dampak keakurasian pemilihan tingkat kematangan tomat
berdasarkan warna tersebut secara otomatis[3]. Sistem yang
dibangun menggunakan bantuan perangkat kamera.
Berdasarkan identifikasi yang ditetapkan maka muncul
berbagai masalah yang akan ditemui sebagai berikut:
• Bagaimana cara melakukan tahapan pengolahan citra
warna terhadap citra tomat yang diambil oleh kamera
pada belt conveyor secara bergerak.
• Bagaimana cara melakukan klasifikasi terhadap citra
warna hasil tahapan image-processing kedalam
kategori matang dan belum matang.
• Bagaimana cara mengetahui kecepatan conveyor yang
optimal untuk mendapatkan informasi mengenai
kematangan buah berdasarkan citra warna.
• Bagaimana cara mengetahui tingkat akurasi sistem
tersebut untuk mendapatkan informasi mengenai
kematangan buah berdasarkan citra warna dengan
perbandingan antara citra yang tidak bergerak dan citra
yang bergerak.
B. Tujuan
Pada sistem ini, terdapat penelitian dengan tujuan
melakukan pengukuran performa sistem pengklasifikasian
tomat berdasarkan citra warna untuk mengenali tingkat
kematangan pada studi kasus pembangunan sistem pemilihan
otomatis.
C. Ruang Lingkup
Penelitian pada sistem pemilihan otomatis untuk
mengenali kematangan tomat berdasarkan citra warna
memiliki ruang lingkup sebagai berikut :
• Sistem akan mengklasifikasi tingkat kematangan tomat
kedalam kategori matang atau belum matang
berdasarkan satu paramater yaitu citra warna dari
tomat yang akan melalui proses konversi ruang warna
HSV (Hue, Saturation, Value) dan Histogram.
Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017
• Objek penelitian berasal dari satu jenis tomat yaitu
varietas ‘tw’.
• Membandingkan 2 kamera dengan spesifikasi
Megapixel berbeda untuk proses pengambilan citra
warna agar hasil yang di dapatkan optimal.
• Proses pengambilan citra tomat dilakukan dengan cara
manual.
• Proses pengambilan citra warna dari arah tampak atas
objek tomat.
• Proses pengambilan citra warna dilakukan dengan
memberikan pencahayaan yang tetap.
• Proses pengambilan citra warna dilakukan dengan
memberikan latar solid berwarna hitam.
• Proses pengambilan citra warna dilakukan dengan
meletakkan tomat diatas Belt Conveyor.
II. LANDASAN TEORI
A. Ekstraksi Ciri
Ekstraksi ciri merupakan proses pengideksan suatu
database citra dengan isinya secara matematik, setiap
ekstraksi ciri merupakan encode dari vektor n dimensi yang
disebut dengan vektor ciri [6]. Komponen vektor ciri dihitung
dengan pemrosesan citra dan teknik analisis serta digunakan
untuk membandingkan citra yang satu dengan citra yang lain.
B. Pemotongan Citra
Pemotongan citra (cropping citra) merupakan cara
mendapatkan area warna tomat tertentu yang diamati (area of
interest), yang bertujuan untuk mempermudah penganalisaan
citra dan memperkecil ukuran penyimpangan citra [7].
C. Ruang Warna H-S-V
HSV mendefinisikan warna dalam terminologi Hue,
Saturation dan Value. Keuntungan HSV adalah terdapat
warna-warna yang sama dengan yang ditangkap oleh indra
manusia [8]. Sedangkan warna yang dibentuk model lain
seperti RGB merupakan hasil campuran dari warna-warna
primer.
Ruang HSV memiliki 3 karakteristik pokok, yaitu Hue,
Saturation dan Value dengan definisi sebagai berikut :
• Hue : Menyatakan warna sebenarnya, seperti merah,
violet, dan kuning dan digunakan menentukan
kemerahan (redness), kehijauan (greeness), dan
lainnya.
• Saturation : Sering disebut chroma, adalah kemurnian
atau kekuatan warna.
• Value : Menyatakan kecerahan dari warna. Nilainya
berkisar antara 0-100 %. Apabila nilainya 0 maka
warnanya akan menjadi hitam, semakin besar nilai
maka semakin cerah dan muncul variasi-variasi baru
dari warna tersebut.
Proses untuk mendapatkan nilai dari setiap warna yang
ingin ditampilkan melalui proses perhitungan dengan
melakukan konversi ruang warna R-G-B (Red, Green, Blue)
ke ruang warna H-S-V (Hue, Saturation, Value). Cara untuk
551
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 3 Desember 2017

mendapatkan setiap nilai H-S-V yang terdefinisi dengan Rumus 5 yang akan ditunjukkan adalah rumus untuk
rumus yang ditunjukkan pada Rumus 1 sampai Rumus 6, mendapatkan nilai saturation parameter ruang warna HSV
berikut. dari hasil konversi tiga parameter ruang warna RGB yang
Rumus 1 yang akan ditunjukkan adalah rumus untuk akan dimasukkan kedalam variabel S.
mencari nilai maksimum dari tiga parameter ruang warna
RGB yang akan dimasukkan kedalam variabel maks.
S=0 , Jika V=0
𝑚𝑎𝑘𝑠−𝑚𝑖𝑛
S= ×100 , Jika V>0
𝑚𝑎𝑘𝑠
maks = MAX(R,G,B)
......................................... (1) ................... (5)

dimana : dimana :
MAX adalah fungsi untuk mencari nilai maksimum dari maks adalah nilai hasil dari fungsi MAX(R,G,B)
beberapa angka min adalah nilai hasil dari fungsi MIN(R,G,B)
R adalah nilai warna merah V adalah nilai warna Value
G adalah nilai warna hijau
B adalah nilai warna biru Rumus 6 yang akan ditunjukkan adalah rumus untuk
mendapatkan nilai hue parameter ruang warna HSV dari hasil
Rumus 2 yang akan ditunjukkan adalah rumus untuk konversi tiga parameter ruang warna RGB yang akan
mencari nilai minimum dari tiga parameter ruang warna RGB dimasukkan kedalam variabel H.
yang akan dimasukkan kedalam variabel min.
H=0 , Jika S=0
𝐺−𝐵
min = MIN(R,G,B) H=60× , Jika maks =R
𝑑𝑒𝑙𝑡𝑎
......................................... (2) 𝐵−𝑅
H=60× (2 + ) , Jika maks =G
𝑑𝑒𝑙𝑡𝑎
𝑅−𝐺
dimana : H=60× (4 + ) , Jika maks =B
𝑑𝑒𝑙𝑡𝑎
MIN adalah fungsi untuk mencari nilai minimum dari Jika H < 0, maka H=H+360
beberapa angka .............. (6)
R adalah nilai warna merah
G adalah nilai warna hijau dimana :
B adalah nilai warna biru maks adalah nilai hasil dari fungsi MAX(R,G,B)
delta adalah nilai selisih antara maks dan min
Rumus 3 yang akan ditunjukkan adalah rumus untuk S adalah nilai warna Saturation
mencari selisih nilai maksimum dan nilai minimum dari tiga R adalah nilai warna merah
parameter ruang warna RGB yang akan dimasukkan kedalam G adalah nilai warna hijau
variabel min. B adalah nilai warna biru

delta = maks – min Berdasarkan pada Rumus 1 sampai Rumus 6, merupakan

......................................... (3)
dimana :
maks adalah nilai hasil dari fungsi MAX(R,G,B)
min adalah nilai hasil dari fungsi MIN(R,G,B)
perhitungan cara untuk mendapatkan nilai dari setiap warna
H-S-V dan cara ini yang paling efektif dipakai jika
mendapatkan Saturation bernilai 0 sehingga nilai Hue akan
terdefinisi. Berikut contoh proses konversi ruang warna R-G-
B ke H-S-V.

Rumus 4 yang akan ditunjukkan adalah rumus untuk D. Histogram

mendapatkan nilai value parameter ruang warna HSV dari Histogram merupakan sebuah diagram yang
hasil konversi tiga parameter ruang warna RGB yang akan menunjukkan jumlah titik yang terdapat pada sebuah citra
dimasukkan kedalam variabel V. untuk setiap tingkat keabuan. Sumbu x (absis) pada histogram
menunjukkan tingkat warna, sedangkan sumbu y (ordinat)
𝑚𝑎𝑘𝑠 menunjukkan frekuensi kemunculan titik. Salah satu cara
V= ×100 yang dapat digunakan untuk memodifikasi histogram citra
255
.............................................. (4) adalah perataan histogram (histogram equalization) [9].
Histogram equalization adalah sebuah proses yang
dimana : mengubah distribusi nilai derajat keabuan pada sebuah citra
maks adalah nilai hasil dari fungsi MAX(R,G,B) sehingga menjadi seragam (uniform). Tujuannya untuk

552
e-ISSN : 2443-2229
memperoleh penyebaran histogram yang merata sehingga
setiap derajat keabuan memiliki jumlah piksel yang relatif
sama.
E. Learning Vector Quantization
Learning Vector Quantization (LVQ) merupakan suatu
metode untuk melakukan pelatihan terhadap lapisan – lapisan
kompetitif yang terawasi. Lapisan – lapisan kompetitif akan
belajar secara otomatis untuk melakukan klasifikasi terhadap
vector input yang diberikan [10]. Apabila vector input
memiliki jarak yang sangat berdekatan, maka vektor – vektor
input tersebut akan dikelompokkan dalam kelas yang sama.
Contoh arsitektur LVQ terdapat notasi X1 ... Xn yang
menunjukkan sebagai nilai vektor input, sedangkan notasi X
- W1 ... X - Wk menunjukkan sebagai perhitungan nilai jarak
dari nilai vektor input dan vektor bobot seperti terlihat pada
Gambar 1.
Gambar 1. Arsitektur LVQ [11]
Pada Gambar 1 akan dicari perhitungan jarak antara kedua
titik. Penghitungan jarak antara 2 titik dapat diselesaikan
dengan Euclidean distance menggunakan Rumus 7.
Cj = √∑𝑛𝑖=1(𝑥𝑖 − 𝑤𝑗)2
................................ (7)
dimana :
𝐶𝑗 adalah nilai jarak Euclidean
𝑥𝑖 adalah nilai vektor input
𝑤𝑗 adalah nilai vektor bobot
Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017
Berdasarkan definisi tersebut, terbentuklah langkah-
langkah dalam penyelesaian algoritma LVQ. Langkah –
langkah tersebut sebagai berikut :
1) Inisialisasi : bobot awal variabel input ke-j menuju kelas
ke-i (W), maksimum epoch (MaxEpoch), error
mínimum yang diharapkan (Eps), Learning rate (∝).
2) Masukkan :
a) Data Input : x(m,n); dengan i=1,2, .... ,n dan j=1,2,
.....,m
b) Target berupa kelas : T(1,n); dengan k=1,2, .....,n
3) Inisialisasi kondisi awal:
c) Epoch = 0
d) Err = 1
4) Kerjakan jika: (epoch < MaxEpoch), nilai error
minimum tercapai atau nilai error=0 dan (α > Eps)
e) Epoch = Epoch+1;
f) Kerjakan untuk i = 1 sampai n
• Tentukan Jarak sedemikian hingga || xij-wij ||
minimum (sebut sebagai Cj)
• Perbaiki Wj dengan ketentuan:
i. Jika T = Cj maka: Wij(baru) = wij(lama)
+ α (xij-wij(lama)) (3.29)
ii. Jika T ≠ Cj maka: Wij(baru) = wij(lama)
- α (xij-wij(lama)) (3.30)
Alasan dari dipilihnya metode Learning Vector
Quantization (LVQ) pada penelitian ini untuk proses
pengenalan tingkat kematangan tomat berdasarkan citra
warna adalah karena metode Learning Vector Quantization
(LVQ) merupakan metode yang mampu melakukan
klasifikasi untuk membedakan 2 atau lebih kelas kategori
dengan melakukan pelatihan secara terbimbing. Maksud dari
pelatihan terbimbing adalah proses pelatihannya dilakukan
dengan cara memberikan pelabelan diawal untuk
menentukan kelas kategori suatu objek. Objek yang akan
diklasifikasikan tersebut berupa tomat. Tomat yang telah
dilakukan proses pengolahan citra yang menghasilkan warna
dari tomat akan menunjukkan tingkat kematangan. Warna
yang dihasilkan oleh objek tomat terdiri dari 2 warna yaitu
hijau dan merah. Warna yang telah dihasilkan tersebut akan
dilakukan pelabelan atau asumsi bahwa tomat tersebut masuk
kedalam kategori matang atau belum matang. Pelabelan atau
asumsi tersebut diproses menjadi suatu nilai yang menjadi
data pelatihan terhadap objek tomat dan tersimpan tersimpan
pada database. Proses pelatihan yang telah dilakukan,
kemudian diteruskan dengan proses pengujian dimana tomat
yang diuji akan disesuaikan dengan data pelatihan untuk
menentukkan kategori dari tomat sehingga dapat mengenali
tingkat kematangan.
F. Tomat
Tomat memiliki ukuran yang bermacam – macam serta
memiliki tingkat kematangan yang dilihat dari warna kulit
[12]. Tingkat Kematangan tomat dapat dilihat dari warna
kulit dengan tingkatan level dan range warna seperti
ditunjukkan pada Gambar 2, berikut.
553
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 3 Desember 2017

1 HTML {#669E39}
HSV {93,64,62}

2 HTML {#80852E}
HSV {63,65,52}

3 HTML {#BB7D45}
HSV {28,63,63}
HTML {#D76A3E}
HSV {17,71,84} 4

HTML {#D43734}
HSV {1,75,83} 5

HTML {#D72A30} 6
HSV {358,80,84}

Gambar 2. Objek Buah Tomat [13]

III. METODE PENELITIAN

A. Bahan dan Peralatan
Pada perancangan sistem ini, dibutuhkan beberapa alat,
bahan, sera program aplikasi pendukung, yang
dikelompokkan menjadi dua bagian, yaitu perangkat keras
(hardware) dan perangkat lunak (software) .
Perangkat keras (hardware) yang terdiri dari Raspberry
Pi, Laptop, Belt conveyor, Kamera 12MP serta 5MP dan
perangkat lunak (software) yang terdiri dariWindows 10 Pro,
Netbeans, OpenCV, Xampp serta MySQL.
B. Desain Sistem
Secara garis besar, sistem ini memiliki tiga subsistem
diantaranya subsistem pengenalan kematangan tomat, 1
pengenalan ukuran tomat, serta penyeleksian tomat ke dalam
beberapa kategori yang ditentukan.
Pada dasarnya subsistem yang dibangun terdiri dari dua
bagian komponen yaitu perangkat lunak dan perangkat keras.
Perangkat keras dibangun menggunakan kebutuhan 2
perangkat seperti Laptop, Kamera dan Belt Conveyor sesuai
dengan yang telah dipaparkan pada kebutuhan bahan dan
peralatan. Perangkat lunak dibuat dengan menggunakan
bahasa pemrograman Java untuk dapat menjalankan 3
perangkat keras yang telah dirancang sesuai dengan skenario
sistem yakni mengenali tingkat kematangan tomat
berdasarkan citra warna.
Fokus pengerjaan sub-sistem yang dibangun pada
penelitian ini, yakni mengenai proses pengenalan tingkat
kematangan tomat berdasarkan citra warna yang ditandai
dengan nomor 1. Berikut ini, akan direpresentasikan
mengenai alur cara kerja sistem secara keseluruhan pada
Gambar 3. Gambar 3. Flowchart sistem keseluruhan

554
e-ISSN : 2443-2229
Berdasarkan Gambar 3, subsistem ini dimulai ketika
kamera mengambil citra dari buah tomat. Citra tomat tersebut
diproses melalui tahapan image pre-processing yaitu
konversi ruang warna H-S-V (Hue-Saturation-Value) dan
ekualisasi histogram untuk menentukan titik – titik dari
warna hasil konversi H-S-V sehingga titik – titik tersebut
akan ditampung dalam satu array sebanyak citra tomat atau
vektor masukkan. Vektor – vektor masukkan yang telah
tersimpan dalam satu array tersebut akan dilakukan
pembelajaran kedalam 2 kelas sehingga dapat di
klasifikasikan menjadi 2 kategori yaitu matang dan belum
matang.
C. Perancangan Hardware
Melakukan konfigurasi untuk perancangan perangkat
keras antara Laptop, Kamera dan Belt Conveyor.
Perancangan yang pertama merupakan perancanagan antara
Laptop dan Kamera yang ditunjukkan dengan blok diagram
pada Gambar 4 yaitu perancangan sistem untuk mengenali
tingkat kematangan tomat berdasarkan citra warna.
Berdasarkan Gambar 4, ditunjukkan blok diagram sistem
untuk mengenali tingkat kematangan tomat berdasarkan
citra warna menggunakan metode Learning Vector
Quantization (LVQ) dengan penjelasan sebagai berikut :
Gambar 4. Blok Diagram Sistem
Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017
1) Pengguna mengakses aplikasi
2) Sistem akan menampilkan form utama pada aplikasi
untuk melakukan pengenalan tingkat kematangan
tomat berdasarkan citra warna.
3) Aplikasi akan menunggu pilihan untuk melakukan
pemilihan terhadap metode yang digunakan yaitu
proses pelatihan atau proses klasifikasi.
4) Kamera telah mengakuisisi citra tomat untuk
selanjutnya dilakukan proses pada metode Learning
Vector Quantization dan langsung dapat melakukan
proses klasifikasi jika memilih menu mapping. Namun
jika yang dipilih adalah menu pelatihan, sistem akan
melakukan pelatihan.
5) Sistem akan melakukan pelatihan terhadap citra tomat
untuk mendapatkan nilai bobot akhir dari citra yang
akan dilakukan pelatihan dengan memasukkan target
pelatihan.
6) Hasil pelatihan mendapatkan bobot akhir yang
disimpan di database
7) Melakukan pengambilan nilai bobot akhir yang
tersimpan di databse untuk dapat melakukan proses
klasifikasi tingkat kematangan tomat kedalam kategori
kelas matang dan belum matang.
555
Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017
Perancangan yang kedua menunjukkan perancangan alat
antara Belt Conveyor dengan Kamera yang ditunjukkan pada
Gambar 5 untuk membantu melakukan pemrosesan sistem.
Gambar 5. Perancangan Alat
Gambar 6. Workflow Skema Sistem
556
e-ISSN : 2443-2229
Pada Gambar 5, Kamera webcam diletakan sejajar
vertikal diatas terhadap Belt Conveyor. Hal ini dilakukan agar
jangkauan Kamera Webcam dapat menangkap seluruh area
Belt Conveyor untuk diletakkan nya tomat.
D. Perancangan Software
Melakukan perancangan program secara garis besar
program dibuat menggunakan bahasa pemrograman Java dan
Library OpenCV yang terdiri dari training dengan
menggunakan metode LVQ untuk melakukan proses insert
bobot akhir ke database MySQL dan mapping dengan
menggunakan metode LVQ untuk melakukan proses select
bobot akhir dari database MySQL .
Proses training (pelatihan) merupakan proses yang
dilakukan untuk mendapatkan hasil kuantisasi citra atau
pengolahan citra yang telah terbimbing berupa suatu nilai
menggunakan metode Learning Vector Quantization (LVQ)
dan disimpan pada database.
Proses mapping (pengujian) merupakan proses yang
dilakukan untuk mendapatkan hasil klasifikasi tingkat
kematangan menggunakan metode Learning Vector
Quantization (LVQ) dengan mengambil nilai bobot yang
tersimpan pada database.
Skema dari sistem untuk mengenali tingkat kematangan
tomat berdasarkan citra warna untuk melakukan proses
training (pelatihan) dan mapping (pengujian) akan
ditunjukkan pada Gambar 6,
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017

Berdasarkan Gambar 6, digambarkan mengenai skema penelitian yang dilakukan yaitu mengenai subsistem
dari sistem pengenalan tingkat kematangan buah tomat pengenalan tingkat kematangan tomat berdasarkan citra
berdasarkan citra warna yang dibangun dengan penjelasan warna. Pada subsistem ini terdapat dua kegiatan utama
sebagai berikut : diantaranya tahap pre-processing dan tahap implementasi
1) Melakukan perancangan terhadap sistem yang dibuat. sistem dengan menggunakan metode Learning Vector
2) Menuliskan source code yang dapat memproses Quantization (LVQ). Pada Gambar 7, akan ditunjukkan
sistem pengengenalan tingkat kematangan buah algoritma sistem yang direpresentasikan dengan flowchart.
tomat berdasarkan citra warna kedalam kategori
matang atau belum matang.
3) Melakukan pengambilan citra warna menggunakan
kamera untuk diproses pada tahap pelatihan
selanjutnya.
4) Citra warna diambil dan dilakukan proses pelatihan
5) Pemrosesan citra warna tersebut akan melewati
tahapan pre-processing dengan melakukan konversi
ruang warna H-S-V dan pembuatan histogram yang
sebelumnya melewati tahapan image cropping
terlebih dahulu.
6) Nilai yang didapat dari pembuatan histogram akan
melewati perhitungan jarak antara kedua titik dengan
menggunakan rumus euclidean distance. Jarak
tersebut merupakan parameter yang
diimplementasikan terhadap metode Learning Vector
Quantization (LVQ).
7) Proses implementasi metode Learning Vector
Quantization (LVQ) tersebut akan menghasilkan
bobot nilai yang memisahkan clustering terhadap 2
kategori yaitu matang dan belum matang.
8) Bobot nilai yang telah didapatkan akan disimpan
kedalam database pelatihan.
9) Melakukan pengambilan citra warna menggunakan
kamera untuk di proses pada tahap pengujian
selanjutnya.
10) Citra warna diambil dan dilakukan proses pengujian
11) Pemrosesan citra warna tersebut akan melewati
tahapan pre-processing dengan melakukan konversi
ruang warna H-S-V dan pembuatan histogram yang
sebelumnya melewati tahapan image cropping Gambar 7. Flowchart
terlebih dahulu. Nilai yang didapat dari pembuatan
histogram akan melewati perhitungan jarak antara Berdasarkan Gambar 7, digambarkan mengenai cara
kedua titik dengan menggunakan rumus euclidean penelitian yang dilakukan terhadap sistem pengenalan tingkat
distance. Jarak tersebut merupakan parameter yang kematangan tomat berdasarkan citra warna yang
akan digunakan saat klasifikasi dengan menghasilkan keluaran klasifikasi berdasarkan 2 kelas yang
mengimplementasikan metode Learning Vector telah ditentukan yaitu matang atau belum matang.
Quantization (LVQ). Selanjutnya, akan jelaskan secara lengkap tahapan alur dari
12) Proses pengambilan nilai data latih pada database. sistem yang telah dibuat.
13) Proses terakhir adalah melakukan penyesuaian nilai
warna dari proses – proses yang telah dilakukan o Akuisisi Citra Tomat
sebelumnya antara nilai hasil pelatihan dengan nilai
hasil pengujian. Penyesuaian tersebut akan
menghasilkan buah tomat yang diuji akan masuk
kedalam kategori matang atau belum matang.
E. Algoritma Sistem
Dari tiga subsistem yang berjalan pada sistem pemilih
otomatis tomat, salah satu yang menjadi fokus pada Gambar 8. Akuisisi Citra Tomat

557
Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017
Berdasarkan Gambar 8, ditunjukkan proses untuk
melakukan pengambilan citra dari objek tomat.
o Pemotongan Citra Tomat
Gambar 9. Pemotongan Citra Tomat
Berdasarkan Gambar 9, ditunjukkan proses melakukan
pemotongan citra untuk mendapatkan area citra tertentu yang
akan diamati.
o Konversi Ruang Warna H-S-V
Gambar 10. Konversi Ruang Warna H-S-V
Berdasarkan Gambar 10, ditunjukkan proses melakukan
konversi HSV untuk mendapatkan warna yang sesuai dengan
warna yang ditangkap oleh penginderaan manusia.
Gambar 12. Tampilan Form Pre-Processing
558
e-ISSN : 2443-2229
o Histogram Ekualisasi
Gambar 11. Histogram Ekualisasi
Berdasarkan Gambar 11, ditunjukkan proses melakukan
pembuatan histogram HSV untuk menempatkan titik warna
warna hasil konversi RGB ke HSV.
IV. HASIL DAN PEMBAHASAN
Berdasarkan perancangan yang telah dibuat, didapatkan
sebuah subsistem yang terdiri dari perangkat keras dan
perangkat lunak untuk melakukan pengenalan tingkat
kematangan tomat berdasarkan citra warna pada sistem
pemilihan otomatis. Perangkat keras yang dibangun berupa
rangkaian yang terdiri dari beberapa komponen yang sesuai
dengan yang digambarkan pada Gambar 4 dan Gambar 5
mengenai perancangan perangkat keras subsistem. Selain
perangkat keras, dibangun pula perangkat lunak dari
subsistem untuk mengenali tingkat kematangan tomat
berdasarkan citra warna yang dapat dilihat pada Gambar 12
dan Gambar 13.
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017

Gambar 13. Tampilan Form Pre-Processing

Berdasarkan Gambar 12, ditunjukkan hasil implementasi A. Pengujian Akurasi Sub-Sistem

dari aplikasi sistem pengenalan tingkat kematangan tomat Setelah dilakukannya proses implementasi, maka perlu
berdasarkan citra warna. Adapun fungsi dari tahapan dilakukan pula pengujian yang diterapkan pada subsistem
pengolahan citra warna yang terdapat pada form pre- pengenalan tingkat kematangan tomat ditunjukkan pada
processing tersebut dengan alur sebagai berikut: Tabel II, Tabel III dan Tabel IV.
1) User yang menjalankan aplikasi tersebut akan
TABEL II
menekan tombol start, dimana sistem pada aplikasi DATA LATIH TOMAT
akan menampilkan tampilan hasil jangkauan dari
kamera. Setiap pergerakan yang melewati kamera akan Data Latih Citra Tomat
ditampilkan pada form dalam panel webcam. Citra
2) User dapat menjalankan metode Learning Vector No. Tomat Webcam Target Kondisi Nyata
Latih
Quantization dengan memilih akan melakukan
1. 12MP 0 Belum Matang
pelatihan (training) untuk mendapatkan bobot hasil
2. 12MP 0 Belum Matang
perhitungan citra tomat masukkan dengan parameter
3. 12MP 0 Belum Matang
pendukung yang telah diinisialisasikan serta
4. 12MP 0 Belum Matang
melakukan pengujian (mapping) untuk dapat 5. 12MP 0 Belum Matang
melakukan klasifikasi citra tomat kedalam kelas 6. 12MP 1 Matang
matang atau belum matang. 7. 12MP 1 Matang
3) Pada tahap pelatihan user harus memasukkan target
8. 12MP 1 Matang
untuk inisialisasi citra tomat masukkan kedalam kelas
9. 12MP 1 Matang
belum matang (0) atau matang (1) setelah itu bobot
10. 5MP 1 Matang
akhir hasil pelatihan disimpan kedalam database. 11. 5MP 0 Belum Matang
4) Pada tahap pengujian klasifikasi, sistem akan 12. 5MP 0 Belum Matang
menampilkan hasil aplikasi citra tomat pengujian. 13. 5MP 0 Belum Matang
5) User dapat menekan tombol capture atau load image 14. 5MP 0 Belum Matang
untuk memasukkan citra tomat yang akan dilakukan 15. 5MP 0 Belum Matang
atau citra tomat yang akan dilakukan pengujian. 16. 5MP 1 Matang
Berdasarkan Gambar 13, ditunjukkan form klasifikasi yang 17. 5MP 1 Matang
dibuat untuk dapat melakukan pengelompokkan data tomat 18. 5MP 1 Matang
yang masuk kedalam kelas matang atau belum matang. 19. 5MP 1 Matang
Pengelompokkan data dipengaruhi oleh hasil pelatihan 20. 5MP 1 Matang
karena akan melakukan pembimbingan terhadap data dengan
metode LVQ. Proses klasifikasi adalah proses menghitung Pada Tabel II, menunjukkan pengujian pada tahap training
antara bobot akhir pada database dengan citra tomat (pelatihan) untuk mendapatkan nilai bobot akhir. Selanjutnya,
masukkan yang akan diuji untuk mencari jarak terdekat atau akan ditunjukkan pengujian pada tahap mapping (klasifikasi)
terkecil dengan menggunakan euclidean distance. pada Tabel III.

559
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 3 Desember 2017

TABEL IIII
DATA UJI TOMAT STATIS

Data Uji Citra Tomat

Winner
Kondisi
No. Citra Uji Tomat C1 (0) C2 (1) Webcam (Kelas Klasifikasi Hasil
Nyata
Pemenang)

1. 3552,0 1575,1 12MP 1 Matang Matang Cocok

Belum Belum
2. 2797,4 3626,8 12MP 0 Cocok
Matang Matang

Belum Belum
3. 2175,8 3754,8 12MP 0 Cocok
Matang Matang

Belum Belum
4. 2776,8 3407,2 12MP 0 Cocok
Matang Matang

5. 3867,7 2673,9 12MP 1 Matang Matang Cocok

6. 3643,1 2227,3 12MP 1 Matang Matang Cocok

7. 3750,7 2796,8 12MP 1 Matang Matang Cocok

Belum Belum
8. 2618,4 4068,5 12MP 0 Cocok
Matang Matang

9. 3939,6 2253,4 12MP 1 Matang Matang Cocok

10. 3730,4 2545,4 12MP 1 Matang Matang Cocok

Belum
11. 3637,3 3261,9 12MP 1 Matang Tidak Cocok
Matang

Belum
12. 3759,9 3527,2 12MP 1 Matang Tidak Cocok
Matang

...

80. 3333,0 2231,1 5MP 1 Matang Matang Cocok

Pada Tabel III, menunjukkan pengujian pada tahap matang secara statis (tidak bergerak). Selanjutnya, akan
mapping (klasifikasi) untuk mendapatkan informasi tingkat ditunjukkan pengujian pada tahap mapping (klasifikasi) pada
kematangan tomat kedalam kategori matang dan belum Tabel IV.

560
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017

TABEL IIIV
DATA UJI TOMAT BELT CONVEYOR

Data Latih Citra Tomat

Belt Conveyor

Citra Tomat C1 C2 Selang Kondisi

No Webcam Klasifikasi Hasil
Latih (0) (1) Waktu(s) Nyata

1 12MP 4672,2 2435,8 8,97 Matang Matang Cocok

2 12MP 2781,0 2730,1 7,34 Matang Matang Cocok

3 12MP 4327,3 1753,8 6,71 Matang Matang Cocok

4 12MP 3187,8 2039,0 7,45 Matang Matang Cocok

Belum
5 12MP 1736,4 3544,7 8,51 Belum Matang Cocok
Matang

Belum
6 12MP 2316,7 4211,5 7,56 Belum Matang Cocok
Matang

Belum
7 12MP 2454,2 3430,3 8,69 Belum Matang Cocok
Matang

Belum
8 12MP 2144,7 3417,3 6,32 Belum Matang Cocok
Matang

9 12MP 3568,5 3446,3 5,55 Matang Matang Cocok

10 12MP 3327,6 2995,4 4,96 Matang Matang Cocok

11 12MP 4136,4 2891,3 5,51 Matang Matang Cocok

12 12MP 3399,9 3260,7 4,55 Matang Matang Cocok

Belum
13 12MP 2446,1 2946,1 5,73 Belum Matang Cocok
Matang

561
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 3 Desember 2017

TABEL IVV (LANJUTAN)

DATA UJI TOMAT BELT CONVEYOR

Data Latih Citra Tomat

Belt Conveyor

Citra Tomat C1 C2 Selang Kondisi

No Webcam Klasifikasi Hasil
Latih (0) (1) Waktu(s) Nyata

Belum
14 12MP 2966,6 3252,6 3,56 Belum Matang Cocok
Matang

Belum
15 12MP 3006,8 3585,5 4,89 Belum Matang Cocok
Matang

Belum
16 12MP 2952,1 3827,1 5,32 Belum Matang Cocok
Matang

17 12MP 3168,9 3491,1 2,15 Belum Matang Matang Tidak Cocok

18 12MP 3659,9 2214,1 1,95 Matang Matang Cocok

19 12MP 4264,1 2606,4 2,45 Matang Matang Cocok

20 12MP 3412,9 2852,8 2,9 Matang Matang Cocok

...

48 5MP 806,3 1159,5 2,37 Belum Matang Matang Tidak Cocok

Pada Tabel IV, menunjukkan pengujian pada tahap
mapping (klasifikasi) untuk mendapatkan informasi tingkat
kematangan tomat berdasarkan citra warna kedalam kategori
matang atau belum matang yang dilakukan pada citra tomat
yang diletakkan pada Belt Conveyor (bergerak).
Hasil pengukuran akurasi dilakukan untuk mengetahui
kinerja dari sistem pengenalan tingkat kematangan tomat
berdasarkan citra warna yang telah dibuat. Pengukuran
tersebut dilihat dari beberapa aspek parameter diantaranya
yaitu :
• Perbandingan akurasi antara citra tomat yang diambil
dalam posisi tidak bergerak dan bergerak.
• Perbandingan akurasi sistem dengan menggunakan
kamera 12MP dan 5 MP.
• Perbandingan akurasi sistem dalam menentukkan
keberhasilan pengenalan tomat dalam kelas matang
dan kelas belum matang.
• Perbandingan akurasi sistem berdasarkan rata – rata
waktu sistem untuk memproses dengan mengatur
kecepatan conveyor.
• Perbandingan kecepatan conveyor yang paling optimal
untuk melakukan pemrosesan citra tomat.
• Akurasi sistem secara keseluruhan.
Berdasarkan pada Tabel III dan Tabel IV yang telah
ditunjukkan, maka dapat dilakukan analisis perbandingan
akurasi sistem pengenalan tingkat kematangan tomat
berdasarkan citra warna. Untuk menghitung tingkat akurasi

562
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017

pengujian tersebut dengan menggunakan Rumus 8. Adapun - Pengambilan Citra Secara Statis
analisis perbandingan akurasi ditunjukkan pada Tabel V.
67
𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝑆𝑖𝑠𝑡𝑒𝑚 = × 100% = 83,75%
80
𝐷𝑎𝑡𝑎 𝐵𝑒𝑟ℎ𝑎𝑠𝑖𝑙
𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100%
𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑎𝑡𝑎

.................... (8) - Pengambilan Citra Pada Belt Conveyor

40
dimana : 𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝑆𝑖𝑠𝑡𝑒𝑚 =
48
× 100% = 83,33%
Jumlah Data adalah banyaknya data masukkan
Data Berhasil adalah kecocokan data masukkan
TABEL V
Adapun pengukuran kecepatan optimal Belt Conveyor
PENGUKURAN AKURASI SISTEM dilihat dari perbandingan rata – rata selang waktu tempuh
untuk memproses citra tomat menggunakan kamera 12MP
Perbandingan Akurasi Antara Citra Tomat Yang dan 5MP yang ditunjukkan pada Tabel VI.
Diambil Dalam Posisi Tidak Bergerak Dan Bergerak
Jumlah Data Tingkat TABEL VI
Aspek Pembanding PENGUKURAN KECEPATAN PADA BELT CONVEYOR
Data Berhasil Akurasi
Citra Tomat (Statis) 80 67 83,75%

Data Berhasil
Jumlah Data
Citra Tomat (Conveyor) 48 40 83,33%
Perbandingan akurasi sistem dengan menggunakan Kategori Rata-
Aspek Tingkat
kamera 12MP dan 5 MP Kecepatan Rata
Pembanding Akurasi
Belt Waktu
Jumlah Data Tingkat
Aspek Pembanding
Data Berhasil Akurasi
Kamera 12MP (Statis) 40 38 95,00% Lambat 7,694s 8 8 100,00%
Kamera
Kamera 5MP (Statis) 40 29 72,50% Sedang 5,009s 8 8 100,00%
12MP
Kamera 12MP (Conveyor) 24 23 95,83% Cepat 2,025s 8 7 87,50%
Kamera 5MP (Conveyor) 24 17 70,83% Lambat 7,874s 8 8 100,00%
Kamera
Perbandingan Akurasi Sistem Dalam Menentukkan Sedang 4,999s 8 5 62,50%
5MP
Keberhasilan Pengenalan Tomat Dalam Kelas Matang Cepat 1,904s 8 4 50,00%
Dan Kelas Belum Matang
Aspek Pembanding Jumlah Data Tingkat Berdasarkan Tabel VI, perbandingan tersebut didapatkan
Data Berhasil Akurasi
waktu terbaik untuk melakukan pemrosesan citra
Kamera 12MP Berkategori
Matang (Statis)
26 26 100,00% berdasarkan jarak lintasan yaitu 55cm. Waktu terbaik pada
Kamera 12MP Berkategori kamera 12MP adalah 5,009s dan pada kamera 5MP adalah
14 12 85,71% 7,874s. Dari waktu pemrosesan tersebut dicari kecepatan belt
Belum Matang (Statis)
Kamera 5MP Berkategori conveyor paling optimal dengan menggunakan Rumus 9.
26 20 76,92%
Matang (Statis)
Kamera 5MP Berkategori 𝑆
14 9 64,29% 𝑉=
Belum Matang (Statis) 𝑡
Kamera 12MP Berkategori .................................................. (9)
12 11 91,67%
Matang (Conveyor) dimana :
Kamera 12MP Berkategori
12 12 100,00%
V adalah kecepatan optimal belt conveyor
Belum Matang (Conveyor) S adalah jarak yang ditempuh untuk pemrosesan citra
Kamera 5MP Berkategori t adalah selang waktu rata – rata untuk pemrosesan citra
12 4 50,00%
Matang (Conveyor)
Kamera 5MP Berkategori Maka kecepatan optimal belt conveyor untuk melakukan
12 12 91,67%
Belum Matang (Conveyor) pemrosesan citra dengan jarak 55 cm berdasarkan :
▪ Kamera 12MP: Waktu rata-rata yang didapatkan
Pada Tabel V menunjukkan hasil pengukuran akurasi dari 5,009s
sistem pengenalan tingkat kematangan tomat dengan (55𝑐𝑚/100)
𝑉= = 0,109𝑚/𝑠
beberapa aspek pembanding. Berdasarkan perbandingan 5.009𝑠

yang telah dilakukan, maka didapatkan tingkat akurasi sistem ▪ Kamera 5MP: Waktu rata-rata yang didapatkan
secara keseluruhan menggunakan metode Learning Vector 7,874s
Quantization dengan prosentasi sebagai berikut : (55𝑐𝑚/100)
𝑉= = 0,069𝑚/𝑠
7,874𝑠

563
Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017
Berdasarkan penelitian yang telah dilakukan untuk mampu
mengenali tingkat kematangan tomat berdasarkan citra warna
menggunakan metode Learning Vector Quantization (LVQ)
menghasilkan keterangan kelebihan dari metode Learning
Vector Quantization (LVQ) tersebut. Kelebihannya yaitu
metode LVQ melakukan proses pelatihan dengan
memberikan asumsi awal terhadap kondisi dari tomat yang
akan dikenali yaitu matang atau tidak matang. Jika proses
asumsi awal terhadap kondisi tomat dilakukan secara teliti
maka hasil yang didapatkan dari proses pengujian akan
menghasilkan sistem yang mampu mengenali tingkat
kematangan dengan tingkat akurasi yang baik seperti yang
telah dilakukan pada penelitian tersebut. Namun, dari sekian
kali percobaan dalam penelitian yang dilakukan tersebut
terdapat pula hasil yang tidak memiliki kecocokan terhadap
kondisi nyata dari tomat sehingga menyebabkan sistem gagal
mengenali tingkat kematangan tomat secara tepat. Hal
tersebut disebabkan karena metode LVQ hanya akan
melakukan perhitungan untuk menyesuaikan warna yang
telah diasumsikan sebelumnya. Pengaruh dari cahaya
menyebabkan kamera yang menangkap citra tomat memiliki
pergeseran warna. Pergeseran nilai warna tersebut
mempengaruhi saat proses pengujian menggunakan metode
perhitungan pada LVQ sehingga hal tersebut yang
menyebabkan kegagalan sistem mengenali tingkat
kematangan secara tepat karena warna yang dihasilkan oleh
kamera tidak sama dengan kondisi sebenarnya.
V. PENUTUP
A. Kesimpulan
Berdasarkan hasil penelitian serta pengujian sistem yang
telah dilakukan, tingkat akurasi atau kesesuaian sistem
pengenalan tingkat kematangan tomat berdasarkan citra
warna pada studi kasus pembangunan sistem pemilihan
otomatis untuk jenis tomat bervarietas tw menghasilkan
prosentase sebesar 83,75 % untuk pengambilan citra secara
tidak bergerak atau diam dengan menggunakan metode LVQ
mampu mengenali 67 citra tomat dari 80 citra tomat serta
83,33% untuk pengambilan citra secara bergerak pada belt
conveyor dengan menggunakan metode LVQ mampu
mengenali 40 citra tomat dari 48 citra tomat.
564
e-ISSN : 2443-2229
B. Saran
Berdasarkan hasil pengujian dari penelitian mengenai citra
tomat yang didapatkan tersebut belum menghasilkan hasil
yang sempurna. Maka untuk lebih meningkatkan sistem
menjadi lebih baik salah satu caranya adalah dengan
menggunakan kamera dengan resolusi yang besar dan
pemberian cahaya yang tidak berubah – ubah sehingga pada
saat proses pengujian dengan menggunakan perhitungan
metode LVQ akan menghasilkan hasil yang baik dan tepat.
Selain itu, pemilihan citra tomat serta asumsi awal kondisi
kematangan tomat untuk data pelatihan harap perhatikan
karena sangat berpengaruh jika menggunakan metode LVQ
pada saat melakukan pengujian klasifikasi kelas kategori.
Untuk melakukan otomatisasi agar mengurangi kesalahan
saat pengujian pada belt conveyor sebaiknya pengembang
yang akan melakukan penelitian tersebut memberikan deteksi
objek atau penggunaan sensor untuk menangkap citra tomat.
DAFTAR PUSTAKA
[1] Iswahyudi, Catur. Prototype Aplikasi Untuk Mengukur Kematangan
Buah Apel Berdasarkan Kemiripan Warna. 2010.
[2] Sulistiyo, Susanto Budi. Pemutuan Buah Jeruk Siam Pontianak
(Citrus nobilis var. microcarpa) dengan Teknik Pengolahan Citra.
2008.
[3] Seniwati, Erni. Identifikasi Kematangan Jeruk Berdasarkan Citra
Warna RGB Dan Jaringan Syaraf Tiruan Learning Vector
Quantization. 2014.
[4] Prahara, Hidayat Wahyu. Sela, Enny Itje. Tingkat Kematangan Buah
Pepaya Dengan Jaringan Syaraf LVQ. 2016.
[5] Radityo, Dimas Rizki. Alat Penyortir Dan Pengecekan Kematangan
Buah Menggunakan Sensor Warna. 2012.
[6] Damayanti, Fitri. Pengenalan Citra Wajah Menggunakan Two-
Dimensional Linear Disriminant Analysis dan Support Vector
Machine. 2010.
[7] Arhatin, Risti. Memotong Citra, Koreksi Radiometrik dan Koreksi
Geometrik. 2010.
[8] Fauzan, Abdi. Ruang Warna Hue Saturation Value (HSV) serta
Proses Konversinya. 2015.
[9] Hertiningsih, I. Pengolahan Citra Digital. 2009.
[10] Qur’ani, Difla Yustisia. Jaringan Syaraf Tiruan LVQ Untuk Aplikasi
Pengenalan Tanda Tangan. Yogyakarta: SNATI. 2010.
[11] Karimah, Fatimatul. (2012) Sistem Cerdas(Metode ANN). [Online].
Tersedia: http://fatimatul-k--fst08.web.unair.ac.id/artikel_detail-
43814-Sistem%20Cerdas-Metode%20ANN.html.
[12] Smith, A. F. The Tomato in America. University of Illinois Press.
ISBN 0-252-07009-7.
[13] (2017) The Tomato. [Online]. Tersedia: http://www.tomato.org.